技术创新概念范文

引言：寻求写作上的突破？我们特意为您精选了4篇技术创新概念范文，希望这些范文能够成为您写作时的参考，帮助您的文章更加丰富和深入。

篇1

在对横截面进行建造时，其上下节间的主要结构应按照K形实施布置，在很大程度上可促进力传递达到一定的清晰度和简洁度，大大减少了横隔材料与斜材材料的使用量。

在设计铁塔腿部隔面时，其以上第一个节间布置使用K形对铁塔腿部隔面进行设计过程中，应实施精密的计算以及不断的试验，方能证明铁塔腿部的受拉腿水平力小于受压腿，从而可导致受拉和受压这两个基础发生不同的位移，因此，铁塔腿部的受拉斜材受力小于受压斜材。

K形主要结构的节点板制造

在研究力学原理的基础上，通过实践的检验结果证明，因为铁塔本身斜材的末端部位在连接时已存在了不公正现象，所以斜材在受到一定压力的情况下，会出现弯扭现象，以至于失去固有的稳定性，使得结构末端部位发生相对应的位移。

在上下结构中的K形材处于节点板的位置上，在受荷后出现弯扭变形的情况，以至于塔身的水平面产生位移。研究材料的各种外力可知，节点板处于内平面时，其刚度相对较大，而处于外平面时，则相应的会减小，所以为了预防建筑构建的过程中出现过大的末端部位移位而形成结构损毁，应适当加强节点板的外平面刚度。节点板的两侧做相应的高度卷边工作，在不同程度上均可增加节点板外平面的有效刚度，不仅可使材料用量得到降低还能确保结构的安全性和可靠性。

选择主要组成部分的规格

处于输电线路中的铁塔，其主要构成部分大多数是运用两边相等的角钢亦或是钢管。对铁塔计算模型进行研究分析，可将铁塔设置成空间建筑桁架结构，主材料与斜材料则属于铁塔轴心的受力平衡杆。依照有关规定，轴心受力组成部分的具体计算公式如下：强度的计算：N/An≤m•f（用①表示），在强度的计算公式中，N表示铁塔轴心的拉力；m表示组成部分的强度折减系数；An表示组成部分净截面的面积；f则表示有关钢材强度的设计值。

受压构成部分的稳定计算：N/（φ•A）≤mn•f（用②表示），在公式中φ表示铁塔轴心受压构成部分的稳定系数；A表示构成部分毛截面的具体面积；f则是压杆稳定性强度的折减系数。由公式①、公式②可以看出，构成部分的设计强度一般都和末端部位相连接的状况以及断面情况相关联，并非一定的数值，在相应状态下设计强度应该有所折减。在铁塔中，受压稳定后会掌控主要材料和斜材料，并且占据了大多数铁塔总重，所以，在公式②中的mn取值，在很大程度上会影响主要构成部分的正确选材以及铁塔的总重。关于计算mn的取值方式。

不同的材质区域划分条件可通过计算得出。根据区域划分条件的数值，构件材质的规格在相同的情况下，其强度等级相应的就会越高，其区域划分条件的取值相对会降低，也就是说材质具有越高的等级，材料强度对应的设计值就会受到其径厚比和宽厚比这两者明显的影响，而在铁塔中，其最为重要的受力构件大多数是使用高材质。由此可以看出，主要构件若具有高材质和较大受荷，那么在选择主要构件的规格中，应选择设计强度完好的规格，通过其截面，充分将构件具有的高强度性能发挥出来，以确保构件在受力过程中的可靠性和安全性，同时材料可以得到合理的运用。

在铁塔主要构成部分中，其较常使用的角钢规格有部分属于宽度厚、肢厚小的规格，将其进行常规的对比，在通过实际的计算以及实践检验结果表明，发现对钢管组成部分来说，当径厚比≤50规格时，可科学的运用组成部分的截面特征，同时还能充分发挥力学性能。

篇2

对概念书籍创新形态语义设计的探索，应从表现形式、材料工艺上进行前所未有的尝试，并且在人们对书籍艺术的审美和对书籍的阅读习惯以及接受程度上寻求未来书籍的设计方向。它的目的和意义就在于扩大大众接受信息模式的范围，为人们提供接受知识、信息的多元化方法，更好地表现作者的思想内涵，它是书籍设计师传达信息的最新载体。

众所周知，中国最早期的书籍形态即不是现在的书籍形态，在数千年的历史演进中，书籍的形态也经历了从原始到古代再到现代的漫长发展历程。中国现存最早的文字——甲骨文可谓是中国最早最原始的书籍雏形。从早期的龟甲、兽骨，到把文字刻在陶器、青铜器、石碑上，再到把文字写在竹简上，逐渐形成了早期书籍较完整的形态。此后，书籍的形式更加丰富多样，木牍、缣帛等都被用作书籍的材料；纸张的发明给书籍带来了飞速的进步，也出现了许多不同的装订方式，如卷轴装、旋风装、包背装、蝴蝶装、折页装、线装等，该阶段的书籍形态已日渐完善趋向现代书籍设计形式。书籍在不同历史时期依靠不同形态将人类的智慧和经验积累、流传并延续。因此，纵观书籍形态的历史进程，展望书籍发展的未来，受人们的生活方式、审美情趣日益多样化的影响，多元化也将成为书籍设计的发展趋势。现代的六面体书籍形式的形态，虽然在现代人们观念中已经根深蒂固，不会有人去疑问？但是，社会的发展、历史的进步，书籍新的形势和形态一定会替代现代的书籍形态，这只是一个时间问题。当今时代，是一个信息化时代，信息化浪潮波及到了世界的每一个角落，事物之间发生了翻天覆地的变化，信息传播业完成了由印刷媒介向电子媒介的飞跃，而人造卫星的发射成功，使信息传送无处不在，地球也终于成为了一个小小的村落。通过信息的传播，这些“了不起的信息”改变着人类社会的工作、生活、态度、观念、习俗等，像电子书的出现，一本电子书可容纳几万册书籍内容，这对六面体纸张书籍也是一个巨大冲击。因此，六面体纸张书籍一统天下的局面会很快失去，代之于书籍的形态不再受供人阅读的载体的局限，新的社会诉求需要我们重新审视书籍设计，对书籍设计的概念、角色、特点、评价标准等要素做新的界定和研究。时代要求我们更新设计观念，使书籍形态体现时代特色，通过独具个性特征的新形态语义设计，找到一条适合未来书籍发展的道路。

那么何为概念书与书籍形态语义的表达呢？形态，即为“造型”与“神态”，形态能够传达书籍的内涵。形态设计即是形态语言的本质、意义，形态语义的结构变化要准确表达书籍的内涵、体现书籍的内容。书籍设计中的所谓概念设计是围绕设计“概念”而展开的，“概念”一词在《辞海》中解释为：“反映对象本质属性的思维方式”，概念设计产生于一般规律，并以崭新的思维和表现形态体现对象的本质内涵，是对未来设计样式具有开发性的构思。概念设计为现代书籍设计的发展提供了新的思路和未来的发展方向。

在概念书籍设计中，形态并非是单纯的封面设计，也不仅限于图像、文字、色彩的构成形式，它应该是容纳文化的立体构筑物，是根据内容采用不同的材料，如各类高品质特种纸、木材、金属、泥土等材料和各类特种印刷、手工制作工艺，为我们探索未来书籍的新形态带来很多启示，它可以激发设计师的创造力，也可以启示未来书籍的设计理念，是外在和内在形神兼备的生命体。概念书籍形态语义设计最重要的特征还在于它对独特个性和前卫理论的强调。德国著名书籍设计家冯德利希说：“重要的是必须按照不同的书籍内容赋予其合适的外貌，外观形象本身不是标准，对于内容精神的理解，才是书籍设计者努力的根本标志。”让读者阅读起来方便、易读、有趣，具有艺术性，并使其成为生活的一部分，就是一本好的书籍设计。在国外，已经有其概念书籍在畅销，如：在美国加州的一个大型超市里看到的正在销售的一册《大自然》的书籍，每打开一页的文字旁都有立体的实物场景展开，并且伴有音乐的声音同时响起。当有火山爆发或水的流动时，同时火光的闪烁和蓝色水的流动也展现出来，形成一立体的有声有色的能充分体现大自然的景观，使人仿佛身临其境，叹为观止。再如：一册《海洋动物世界》的书籍，封面上突鼓着两个滴溜溜转动着的大眼睛，当你翻动每一页时，每一页的动物眼睛都共同使用这一对突鼓的转动着的眼睛，很是有趣、别致、吸引人，把一个呆板的平面变成了一个立体的动的可爱的书籍。

其实美国对概念书籍的研究在上个世纪六十年代就已经开始，他们十分关注概念书的拓展，到现在为止超市里已经有许多较为成熟的不同形态的书籍在销售。世界上有许多国家也已经走在前列，如美国，德国，日本和韩国的书籍设计师，在书籍设计形态上已抛开了书籍的传统模式，以特有的创造性设计语言和视觉信息编辑，来表达作者的思想内涵和强烈的个性特征。当代的书籍设计不再受其传达信息载体的性质的限制，而是把书籍设计视为一种造型艺术，书籍的形态不再受供人阅读的载体的局限，已可以成为使用、欣赏、品味、收藏，具有独立的文化艺术价值的艺术品。

目前，我国就市场上为数不多的概念书来看，有极具趣味性的幼儿立体书、方便小巧的电子书、抽象个性的装饰书等。书籍也开始突破传统书籍形态的束缚，思路开阔，、创意大胆，不受条条框框的约束，努力寻求新的书籍形态设计要素，寻求个性化的、无定向的创新活动，它为书籍设计提供了一种新的思维方式和各种选择的可能性。在中国历届书籍设计展览会上也出现了许多新颖有个性的作品。如：设计者把文字“写”在衣服和用具上，这不仅使阅读变得有趣，而且一改人们不愿意读书的惰性。又如：我们熟悉的纸杯，在上面涂上一层蜡，用手触摸后有一种滑滑的感觉，如果在杯子上都印文字，每一个纸杯便相当于书籍的一页，读者可以边饮水边看“书”，待水喝完，书籍也阅读完，和乐而不为。在教学中，许多艺术院校也把其作为一项研究探讨的课题，教学生去探索创新。如书籍设计大师吕敬人老先生的学生作品《飘》封面，灌进流动的液体和真实的浮萍，通过触摸及翻阅，他都会随着你的节奏而随波逐流，让你真真切切的感受到飘的漂浮不定的存在，此书是记录了一个北漂成员的四年生活；有如学生创新形态书籍作品《童年回忆》，设计了许多孩子喜欢玩的六面体的方木块，在每一个方木块的六面体上，四个面都写有不同的文字，每一面拼起来都是一个故事，在另外两面上有阿拉伯数字和英文字母，孩子在玩木块中不知不觉可学到一些知识，很有意义。

篇3

关键词：

概念漂移；数据流；异构欧氏距离；交叠数据窗

中图分类号：

TP311.13

文献标志码：A

Concept drift detection based on distance measurement of

overlapped data windows

Abstract：

To solve the false detection and detection delay of concept drift for data stream， a new online concept drift detection method based on the distance measurement of overlapped data windows was proposed in this paper. By dividing the data stream into overlapped data windows and computing the heterogeneous Euclidean distance of neighboring windows， and measuring the inconsistency of the data windows through the nearest neighbor principle， the authors could achieve the evaluation of distribution diversity and the detection of concept drift. To evaluate the effectiveness of the proposed method， experiments were made on some public data sets with different drift severity and drift speed. The experimental results show that the proposed method can detect different types of concept drift quickly and accurately and can figure out the locations where concept drift appeared.

Key words：

concept drift； data stream； heterogeneous Euclidean distance； overlap data window

0 引言

在机器学习与数据挖掘领域处理概念漂移有以下两类方法：第一类方法是调整学习机或分类器适应当前的概念而不需要确切地去检测概念漂移是否发生；第二类方法是只有检测到概念漂移时，才采用学习机去处理新概念。而概念漂移的检测方法中大部分采取的都是“迂回”路线，即从“可能引起概念漂移发生的原因”或“概念漂移发生后可能引起的后果”两方面来分析预测是否有概念漂移发生。一般采用监测数据流中概率分布[1-3]、特征关联[4-6]、分类模型的特性[7-9]、分类精度（分类错误率、查全率、查准率）[10-11]、时间戳[12-13]的变化来判断概念漂移是否发生。而这些漂移检测算法中最流行的方法是漂移检测方法（Drift Detection Method， DDM）[10]和早期漂移检测方法（Early Drift Detection Method， EDDM）[11]，这两种方法都是通过由于概率分布不平稳导致分类错误率急剧增加来判断概念漂移是否发生。Gama等提出的DDM方法能有效地检测到突变漂移[10]，而对渐变漂移的检测不是很敏感。随后Baena-Garcia等提出了EDDM方法[7]，在提高了算法检测渐进式概念漂移能力的同时也保证了算法对突变式概念漂移的检测。Chu等提出了基于统计决策理论的概念漂移检测模型[14]，在模型中使用两种测试方法检测概念漂移：一是利用显著性检验检测突变漂移，二是利用假设检验检测渐变漂移。Alippi等利用中心极限定理[8-9]，设计了不依赖数据分布模型的，不需要任何先验信息的概念漂移检测算法；Kuncheva在KL距离和T平方测试的基础上通过假定数据服从组合正态分布导出了SPLL概念漂移检测方法[5]。这些方法没有实现流数据中概念漂移的快速增量式检测，比较耗时且在不同的数据集上进行不同类型的漂移检测时都有不同程度的延迟检测，在个别数据集上会出现漏判。

本文提出了一种新的基于交叠数据窗的在线概念漂移检测方法，首先，将数据流按数据窗进行分块处理，为避免数据窗划分对漂移检测的滞后影响，相邻数据窗允许交叠；然后，通过近邻算法从前一数据窗中找到与当前数据窗中最近邻样本比较它们相应的类别，并依据数据块间最近邻样本类别的欧氏距离和差异性构造出漂移度函数；接着，求出与当前时刻所有峰值的平均值和标准偏差，若标准偏差超过预设的阈值，则系统会发生漂移报警，同时该峰值对应的时间即为漂移发生的时刻。

1 漂移检测方法

把在一定时间内到达的样本固定为一个数据窗，假定在t时刻的训练数据窗为Dt，前一批训练数据窗为Dt-1，通过从含有当前数据窗Dt中部分样本重叠的前一批数据窗Dt-1中运用K近邻（K- Nearest Neighbor， KNN）算法找出与当前数据窗中每个样本最近邻的样本，为适用于各种类型的数据，本文采用了异构欧氏距离衡量最近邻样本的距离，异构欧氏距离[15]定义如下：

2 算法步骤和分析

2.1 算法步骤

第1步 将数据流依序划分成t个交叠的数据子块D1，D2，…，Dt-1，Dt，相邻数据子块交叠程度可以在10%～90%取值。

第2步 计算相邻数据块的距离，由于数据块距离只和非重叠样本有关，因此计算前，首先需要剔除重叠样本，然后根据相邻数据块的样本属性，由式（1）～（2）计算出相邻数据块所有非重叠样本之间的最近邻距离。

第3步 由式（3）～（4）计算漂移度函数f。

第4步 找到与当前时刻的所有漂移度峰值，并计算其平均值和标准偏差，同时将阈值设为4倍标准偏差。

第5步 如果在某个时间戳下，标准偏差超过阈值，系统报警，检测到概念漂移；否则认为没有概念漂移。

2.2 算法分析

算法本质上是通过判断分类错误率这个角度来实现漂移检测的，而分类错误的评估在算法中实际上是间接通过寻找类别不一致的最近邻样本实现的。由于其分类错误的评估依赖于最近邻样本，因此本文算法和最近邻决策有密切关系，所以算法的有效性实际上取决于最近邻决策算法的有效性。另外，由于本文采用的异构欧氏距离测度既适用于离散数据，又适用于连续型数据，因此算法有广泛的实用性。

由于样本间的距离计算在算法中占用了绝大部分计算资源，因此以两个样本的距离计算作为基本计算单元，在常规的非交叠数据窗数据划分时，每相邻两个数据块做漂移检测时，计算量为O（n2），其中n为数据块的样本数，而在交叠数据窗中，由于重叠样本间的距离是不需要计算的，因此如果样本重叠程度为p（0

为对算法进行评测，选用了两个评价指标，即漂移延迟检测时间和错误检测次数：

在人工数据集中已知概念漂移发生的分界点在第1000个时间步，当数据窗中的交叠样本数为时n*p，则含漂移起始时刻（1000时间步）的第d个数据窗为：

[（d-1）*（n-n*p）+1，（d-1）*（n-n*p）+n]

如果在实验仿真中通过漂移指示器检测到对应的第h个时间窗发生概念漂移，则漂移延迟检测时间可以表示为如下形式：

漂移检测延迟时间=（h-d）*n-n*p

在对突变漂移数据集检测时，延迟检测时间最多为n*p个时间步长，否则归为漏判；对渐变漂移数据集进行检测时，只有出现在漂移期间内的预警才算是正确检测，否则归类为误判。

3 实验分析与结果

为了测试本文算法的可行性，在包含不同严重程度和不同漂移速率的概念漂移人工数据集上测试了该算法的性能。由于在真实数据集上不知道什么时候发生概念漂移，也不能确定发生的这种漂移是什么类型的概念漂移，甚至发生的这种变化是否属于概念漂移都是未知的，因此很难评价算法的性能，因而目前的漂移检测方法通常都是在人工数据集上进行的测试。本文选用Minku等[16]提供的人工数据集进行测试，其中选用SineH、SineV、Circle、Line共4类问题进行实验，每类问题中包含3种不同严重程度和3种不同漂移速率的漂移数据集，因此每类问题包含9个数据集，在这些问题中，所有数据集的样本数据和发生概念漂移的严重程度（Sev）和漂移速率（Sp）都是已知的。其中每个数据集中含有2000个样本，每个样本对应一个时间步长，关于该人工数据集更多的信息在文献[16]中做了详细的介绍，这里不再赘述。

3.1 数据窗参数对漂移检测的影响分析

由于数据窗大小和样本交叠程度是影响算法性能的两个关键参数，因此有必要对这两个参数的选取进行分析。首先对数据窗大小进行讨论，数据窗大小分别为10，20，30，…，80，90，100，…，200，对漂移检测的影响如图1所示，其中错误检测次数为本文算法在SineH问题的9类数据集中进行测试时取得的平均错误检测次数。在样本无交叠时漂移检测的最小延迟时间步长为数据窗的长度，数据窗越长，相应的检测时间越长；根据图1知当数据窗为100时，错误检错次数较小，因此，在权衡错误检测次数和延迟时间的前提下，数据窗样本取100时最为合适。

在本文实验中选取数据窗大小为100的同时，对两个相邻数据窗中的重叠样本数对漂移检测的影响进行了实验分析，为找到合适的参数值，分别在两个连续数据窗中重叠样本数为10，20，30，40，50，60，70，80，90等情况下进行了测试。图2是两个连续数据窗中的样本重叠示意图，其中A数据窗中的后端样本与B数据窗中的前端样本产生重叠。

图3给出了重叠样本数对漂移检测结果的影响，该检测方法在四类问题的36种数据集中进行了测试。根据图3可知，样本重叠数过多时，出现错误检测的次数会急剧上升，而样本重叠数过少时，错误检测次数也会相应地增加。另外，样本重叠数过多，渐变漂移数据集中的漂移被延迟检测的可能性增加，而样本重叠数过少，则会因为样本采集滞后导致漂移检测延迟时间增加，因此样本重叠数只有合适取值时，才能获得较少的平均延迟时间。实验数据表明，在重叠样本数为50时，错误检测次数是最低的，延迟检测的步长也是最少的。因此本文最后实验中采用的方案为数据窗样本数100，样本重叠数50。在该组参数下，实验测得总的错误检测次数为3，平均每个数据集中的延迟检测步长约70个时间步长。

3.2 本文方法与其他方法的比较

表1为本文方法与无交叠窗和Chu方法[14]的比较结果。表1中：第1列表示为4类问题中的36种数据集；第2列为漂移属性（漂移严重程度和漂移速率），其中本文采用的数据集漂移持续时间（drift-time）为1，250，500个时间步长条件下进行实验，其对应的漂移速率分别为Sp1、Sp2、Sp3。漂移持续时间为1个时间步长时表示为突变式漂移；漂移持续时间为250，500个时间步长时为渐变式漂移。漂移持续时间越短漂移速率越快，故漂移的速率快慢依次为Sp1、Sp2、Sp3。

从表1中实验结果比较易得知：本文方法在4类问题的36个数据集上的平均延迟时间为70个步长，错误检测次数3次；而无交叠数据窗平均延迟检测时间为160个步长，错误检测次数10次；Chu方法[14]平均延迟检测时间为150个步长，错误检测次数35次。本文方法在4种问题的数据集中相比其他方法基本上都能准确快速地检测到概念漂移，延迟检测的时间步长上明显减少，本文方法只在SineH问题的Sev3Sp2， Circle问题的Sev2Sp3， Line问题的Sev1Sp3数据集中出现了错误检测，不过该算法比前两种方法的错误检测总次数要少了很多，并且基于无交叠数据窗和Chu[14]的方法在本来有概念漂移的SineH问题Sev1Sp2，SineV问题中Sev1Sp2数据集上没有检测到概念漂移，属于漏检情况，而本文交叠窗算法尽管分别延迟了50和100个时间步长，最终还是检测到了概念漂移。从实验中可以得出结论：随着概念漂移的严重程度和漂移速率的增加，延迟检测的步长变小，基本上没有发生错误检测的现象，也就是说，漂移严重程度越厉害，漂移速率越快，该方法越能准确快速地检测到概念漂移。实验结果表明该方法适用于各种情况下的漂移检测，尤其适用于突变漂移和漂移速率较快的渐变式漂移的检测。

4 结语

本文提出一种新的基于交叠数据窗欧氏距离测度的在线概念漂移检测方法，在包含不同严重程度和不同漂移速度的漂移数据集上进行的实验结果表明：该方法在不同问题不同数据集中的漂移检测的延迟时间和错误次数相比无交叠数据窗和Chu的方法总体效果要好很多，在能够准确快速地检测到不同类型的概念漂移的同时还能够准确找出概念漂移发生的具置。在未来的工作中将把该漂移检测方法用于基于在线集成学习差异性策略处理概念漂移的机器学习实际问题中。

参考文献：

[1]

FOLINO G， PIZZUTI C， SPEZZANO G. Mining distributed evolving data streams using fractal GP ensembles [C]// Proceedings of EuroGP， LNCS 4445. Berlin： Springer-Verlag， 2007： 160-169.

[2]

GABER M M， YU P S. Classification of changes in evolving data streams using online clustering result deviation [EB/OL]. [2012-10-10].http：//citeseerx.ist.psu.edu/viewdoc/download？doi=10.1.1.89.6882&rep=rep1&type=pdf.

[3]

ZHANG J， ZHAO F. Detecting algorithm of concept drift from stream data[J]. Control and Decision， 2013，28（1）：29-35.（张杰， 赵峰. 流数据概念漂移的检测算法[J]. 控制与决策， 2013，28（1）：29-35.）

[4]

KATAKIS I， TSOUMAKAS G， VLAHAVAS I. Tracking recurring contexts using ensemble classifiers： an application to email filtering[J]. Knowledge and Information Systems， 2010， 22（3）： 371-391.

[5]

KUNCHEVA L. Change detection in streaming multivariate data using likelihood detectors[J]. IEEE Transactions on Knowledge and Data Engineering， 2011，25（5）：1175-1180.

[6]

LI N， GUO G， CHEN L， et al. Concept drift detection method with limited amount of labeled data[J]. Journal of Computer Applications， 2012，32（8）：2176-2185.（李南，郭躬德，陈黎飞，等. 基于少量类标签的概念漂移检测算法[J].计算机应用，2012，32（8）：2176-2185.）

[7]

BAENA-GARCIA M， del CAMPO-AVILA J， FIDALGO R， et al. Early drift detection method[C]// Proceedings of the 4th ECML PKDD International Werkshop on Knowledge Discovery from Data Streams. Berlin： Springer-Verlag，2006： 77-86.

[8] ALIPPI C， ROVERI M. Just-in-time adaptive classifiers， Part I： detecting nonstationary changes[J]. IEEE Transactions on Neural Networks， 2008，19（7）：1145-1153.

[9]

ALIPPI C， BORACCHI G， ROVERI M. An effective just-in-time adaptive classifier for gradual concept drifts[C]// Proceedings of the 2011 IEEE International Joint Conference on Neural Networks. Piscataway： IEEE Press， 2011： 1675-1682.

[10]

GAMA J， MEDAS P， CASTILLO G， et al. Learning with drift detection[M]// Proceedings of the 17th Brazilian Symposium on Artificial Intelligence， LNCS 3171. Berlin： Springer-Verlag， 2004： 286-295.

[11] ZHU Q， ZHANG Y， HU X， et al. A double-window-based classification algorithm for concept drifting data streams[J]. Acta Automatic Sinica， 2011， 37（9）： 1077-1084.（朱群， 张玉红， 胡学钢，等. 一种基于双层窗口的概念漂移数据流分类算法[J]. 自动化学报， 2011， 37（9）： 1077-1084.）

[12]

HICKEY R J， BLACK M M. Refined time stamps for concept drift detection during mining for classification rules [C]// TSDM 2000： Proceedings of the 1st International Workshop， LNCS 2007. Berlin： Springer-Verlag， 2000：20-30.

[13]

BLACK M M， HICKEY R J. Classification of customer call data in the presence of concept drift and noise [C]// Soft-Ware 2002： Proceedings of the 1st International Conference， LNCS 2311. Berlin： Springer-Verlag， 2002： 74-87.

[14] CHU F， ZANIOLO C. Fast and light boosting for adaptive mining of data streams[C]// PAKDD 2004： Proceedings of the 8th Pacific-Asia Conference， LNCS 3056. Berlin： Springer-Verlag， 2004：282-292.

[15]

WILSON D R， MARTINEZ T R. Improved heterogeneous distance functions[J]. Journal of Artifical Intelligence Research，1997，6（1）：1-34.

[16]

篇4

NIAC项目第一阶段的合同价值约为10万美元，为合同承接者提供资金以执行9个月的概念初始定义与分析研究。如果基础可行性研究取得成功，合同承接者可申请价值高达50万美元的第二阶段合同，进行为期2年的概念研发工作。

15个选定提案和研制方包括：⑴平流层双飞行器平台模拟飞行演示验证，安柏瑞德航空航天大学；⑵“Thirsty Walls”：生命支持系统的空气再生新范式，NASA约翰逊航天中心；⑶借助恒星导航的高桅帆船，麻省理工学院海斯塔克天文台；⑷太空制造可贮存的推进剂，深空工业公司；⑸支持星际探索的定向能推进技术，加利福尼亚大学；⑹“海神”跳跃探测器：探索海王星附近的柯伊伯带天体，COMPASS“罗盘”概念设计团队；⑺以电动力学方式收集动能的柔性机器人探测器，康奈尔大学；⑻小天体地层勘探，约翰霍普金斯大学；⑼“具有成本效益的动力增强技术低温存储器”（CRICKET），约翰霍普金斯大学；⑽小行星原位物资补给（APIS）：仅用1枚“猎鹰”-9火箭产生1亿吨（100MT）水，ICS联合公司；⑾“风机器人”：原位科学探测器永久探索气态巨行星，NASA喷气推进实验室；⑿薄膜宽带大面积成像系统，BEAM先进测量工程公司；⒀孔径：使用可重构元件的大型反射式精确望远镜，西北大学；⒁配备有纳米结构传感仪器的立方体卫星，用于行星探索，南加利福尼亚大学；⒂低温选择性表面，NASA肯尼迪航天中心。

选定提案之⑴将考虑研发两个由超强缆线连接的在不同海拔高度进行无动力航行的滑翔式无人飞行器。飞行器将利用平流层下部（约18千米）的风切变，类似于“风筝冲浪”，上方飞行器提供升力与推力，下方飞行器提供阻力，以避免顺风漂流。如果成功，该航空器可在同温层停留多年，执行NASA的地球科学任务、监测任务或飞机导航，所用成本仅为轨道卫星网络成本的一小部分。

选定提案之⑺建议使用一个背部有短天线的鳗鱼形柔性机器人探测器，具有类似触须的结构，作为电动力学的“动能收集器”，由局部变化磁场提供动力，执行常规动力系统无法完成的任务，目标是探索巨型气态星球，如探索内部藏有海洋的木卫二“欧罗巴”。